图神经网络（Graph Neural Networks, GNNs）已成为图表示学习领域的主流方法。然而，大多数GNN模型主要针对同质性图（homophily graphs）设计，在异质性图（heterophily graphs）上表现不佳。此外，这些GNN在生成节点表示时，通过迭代聚合直接相连邻居的方式，难以直接捕捉远距离依赖关系以及一阶邻居之间的复杂交互关系。同时，诸如图基元（motifs）等结构性模式已被证实是图结构的基本构建单元，蕴含丰富的拓扑与语义信息，值得进一步深入研究。本文提出基于共同邻居（Common Neighbors, CN）的图基元——我们称之为CN-motifs，以拓展并丰富结构性模式的定义。通过将一阶邻居进行分组，并依据CN-motifs构建高阶图结构，我们提出了CN-motifs感知图神经网络（CNMPGNN），一种新型框架，能够有效解决上述问题。值得注意的是，通过充分挖掘结构性模式的潜力，本模型在多个同质性与异质性数据集上均取得了当前最优（state-of-the-art）的性能表现。